Класс: dssm
Совершенствуйте начальные параметры, чтобы помочь рассеянной оценке модели в пространстве состояний
refine(
находит, что набор начальных значений параметров использует при подборе кривой модели в пространстве состояний Mdl
,Y
,params0
)Mdl
к данным об ответе Y
, использование грубого набора начальных значений параметров params0
. Программное обеспечение использует несколько стандартных программ и отображает получившуюся логарифмическую правдоподобность и начальные значения параметров для каждой стандартной программы.
refine(
отображает результаты стандартных программ с дополнительными опциями, заданными одним или несколькими Mdl
,Y
,params0
,Name,Value
)Name,Value
парные аргументы. Например, можно включать компонент линейной регрессии, состоявший из предикторов и начального значения для коэффициентов.
возвращает массив структур (Output
= refine(___)Output
) содержа вектор из усовершенствованных, начальных значений параметров, логарифмическая правдоподобность, соответствующая начальные значения параметров и метод расчета, дающий к значениям. Можно комбинировать с любым синтаксом из перечисленных выше.
Поверхности вероятности моделей в пространстве состояний могут быть сложными, например, они могут содержать несколько локальных максимумов. Если estimate
сбои, чтобы сходиться, или сходится к неудовлетворительному решению, затем refine
может найти, что лучший набор начальных значений параметров передает estimate
.
Усовершенствованные начальные значения параметров возвращены refine
может казаться похожим друг на друга и на params0
. Выберите набор, дающий к оценкам, которые имеют экономический смысл и соответствуют относительно большим значениям логарифмической правдоподобности.
Если попытка улучшения перестала работать, то ошибки отображений программного обеспечения и устанавливают соответствующую логарифмическую правдоподобность на -Inf
. Это также устанавливает свои начальные значения параметров на []
.
Фильтр Калмана хранит недостающие данные, не обновляя отфильтрованное оценочное соответствие состояния недостающим наблюдениям. Другими словами, предположите, что ваши данные имеют недостающее наблюдение в период t. Затем прогноз состояния для периода t, на основе предыдущего t – 1 наблюдение, эквивалентен отфильтрованному состоянию в течение периода t.